简介这是一份围绕R语言与数据分析的系统性学习资料包覆盖从环境安装、基础语法、数据结构到数据清洗、统计建模与可视化报告输出的完整路径适合刚入门的学生及希望强化实战技能的数据从业者参考。包内共88个文件以csv/xls原始数据、org/tex讲义、rmd可复现练习与docx文档为主体整体约696KB结构紧凑且贴近教学与自学习惯。资料包含多组真实案例数据如国内生产总值、历年经济数据、空气质量等并以Lecture系列讲义配合R-exercise中英文练习含解答与无解答版帮助读者边学边练同时引入bookdown/knitr相关配置与样式文件可直接体验用R Markdown生成规范报告。已有51人学习浏览对想低成本建立R语言数据分析能力的学习者来说是一份内容丰富、可落地的入门与进阶参考资料。1. R语言数据分析学习资料不等于函数速查表先理解向量化操作拿一份销售明细表练手时Excel 用户习惯先拖透视表Python 用户条件反射写 pandas而 R 语言的第一步往往是安装包、读 CSV、盯住 str() 的输出。真正让 R 语言区别于其他工具的不是某个具体函数而是向量化思考方式整列数据作为一个对象参与计算清洗结果直接对接统计建模函数中间不需要反复切换工具。这套 R语言数据分析学习资料的整理思路就围绕“向量化 整洁数据 可视化 统计验证”展开。它适合刚想从 Excel 迁移到脚本分析的从业者也适合已有 Python 基础但需要阅读 R 代码、复现现有数据分析流程的人。学完的标准不是记住函数名而是能独立搭环境、跑通清洗、画图和回归验证。2. 本地环境搭建R语言安装、包依赖与RStudio项目配置很多人从 R 语言官网下载安装包以后在交互界面里能跑通示例可一接触真实项目就败在包管理上。R 语言数据分析学习资料里环境搭建这一章经常被一带而过但它恰恰决定了后面所有代码能否在别处复现。常见做法是先装 R再装 RStudio然后用一个项目目录固定依赖版本避免换台机器就跑不起来。2.1 用 install.packages 安装依赖包R语言安装后的第一个动作R 语言默认从 CRAN 拉取包Windows 和 macOS 下多数包会优先使用编译好的二进制但遇到没有预编译的包时本地必须有完整编译工具链。建议安装后第一件事不是加载包而是确认版本和默认源。# 终端里先确认版本避免后续包版本不兼容 R --version # 查看当前会话默认的软件源地址 Rscript -e options()$reposR --version输出的是 R 的大版本号例如 4.4.x。很多旧教程引用的是 3.x 时代的包源码直接编译会报错所以确认版本是排查报错的第一步。Rscript -e能在不进入交互界面的情况下执行单行表达式适合写进批处理脚本。但options()$repos只对当前会话有效正确做法是写进项目的.Rprofile然后安装包。# 写在项目根目录 .Rprofile 中长期生效 options(repos c(CRAN https://cloud.r-project.org/)) install.packages(tidyverse, dependencies TRUE) install.packages(c(rmarkdown, renv), type binary)dependencies TRUE表示同时安装目标包的所有依赖type binary在 macOS 上有实际意义它可以跳过本地编译把安装时间从十几分钟压缩到一两分钟。renv是项目管理工具装好之后每新增一个包都建议用renv::snapshot()记录版本快照。报错特征常见原因处理建议“... non-zero exit status”缺少 gfortran 或系统编译工具macOS 安装 CommandLineTools 和 gfortran 后重装“package xxx is not available for this R version”源里没有匹配当前版本的二进制包换官方源或升级 R 到较新版本“there is no package called ‘yyy’”目标包的依赖没装全先执行install.packages(yyy)再装目标包提示不要把大量包直接装到系统全局库。用项目专属的.Renviron指定R_LIBS_USER.Library配合 renv能让同一台机器上不同项目互不污染。2.2 用 RStudio 的 Project 与 .Rprofile 固定数据分析项目边界RStudio 的 Project 不是简单的文件夹它会切换工作目录并加载项目根目录下的.Rprofile。把自己常用的选项写在这里比每次手工执行要可靠。# 项目根目录下的 .Rprofile options(repos c(CRAN https://cloud.r-project.org/)) options(max.print 100) if (interactive()) { suppressPackageStartupMessages(library(tidyverse)) }interactive()的作用是只在交互式会话里自动加载 tidyverse如果后续用Rscript批量跑脚本就不会背上整套包的加载时间。max.print限制控制台输出行数避免大数据框在终端里刷屏。macOS 下还需要注意.Renviron文件里的字符编码设置。中文数据在 macOS 上经常以 UTF-8 保存而部分旧数据是 GBK读取时应在read_csv的locale参数里指定编码而不是全局改成 GBK。这个细节在 macOS 下最容易踩坑也是最被低估的 R语言安装配置点。3. 用tidyverse动词和分组聚合完成R语言数据清洗进入真实数据分析案例后最耗时间的永远是清洗和整合。R 语言社区在这一点上达成了共识用dplyr的动词直接描述操作用tidyr整理表格结构而不是靠循环逐行改。理解这套逻辑之后再去看 R语言数据分析案例会发现代码几乎都长在同一套骨架里。3.1 用 read_csv 的 col_types 和 locale 把中文列名与日期一次读对直接把 Excel 导出的 CSV 丢进read_csv结果通常是“能读但全变字符型”事后用as.numeric批量转换既慢又容易漏。更稳妥的方式是在读入时就声明每一列的类型。library(tidyverse) sales - read_csv( sales_2024.csv, col_types cols( 区域 col_character(), # 中文区域名按文本读入 订单日期 col_date(format %Y-%m-%d), # 避免日期被读成字符串 销售额 col_double(), 销量 col_double(), 是否成交 col_logical() ), na c(, NA, NULL, -), # 这些值全部转成缺失 locale locale(encoding UTF-8) # 文件编码与原始数据保持一致 )col_types里的参数名必须和 CSV 表头完全一致。col_date(format %Y-%m-%d)告诉 readr 日期在文件里的原始格式如果文件里是 2024/1/5这里的 format 就要改成%Y/%m/%d。na参数指定哪些字符串应视为缺失值这一步会在读取阶段把脏值统一成NA后续统计才不会被“-”这类文本干扰。locale指定文件编码UTF-8 文件用encoding UTF-8GBK 文件改成GBK。readr 还支持用单字母缩写简化类型声明适合在学习资料里快速写原型。类型速写对应函数适用场景dcol_double()销售额、价格等连续数值icol_integer()订单数、件数ccol_character()中文区域名、商品编码lcol_logical()是否成交等布尔标志Dcol_date()按 YYYY-MM-DD 存储的日期3.2 filter、mutate、select 的组合与 group_by、summarise 的分组口径读对类型之后清洗逻辑可以用动词串起来。R 语言学习资料里几乎都会出现的符号是管道%%它的含义是把左边的结果作为第一个参数传给右边的函数。sales_clean - sales %% filter(销售额 0, !is.na(区域)) %% mutate(年月 format(订单日期, %Y-%m)) %% select(区域, 年月, 销售额, 销量) region_summary - sales_clean %% group_by(区域, 年月) %% summarise( 总销售额 sum(销售额, na.rm TRUE), 订单数 n(), 客单价 总销售额 / 订单数, .groups drop )filter里多个条件用逗号分隔等价于“且”!is.na(区域)用来删掉缺失区域的行。mutate新增的年月是从订单日期里截取的字符串格式直接按 YYYY-MM 输出。select只保留后续分析需要的四列避免数据框里残留无用的原始字段。group_by(区域, 年月)定义分组口径后面所有聚合函数都会按这两个字段分组计算。summarise里新列名写在等号左边右边是聚合函数.groups drop很关键它让分组信息在汇总完成后自动清除否则后续mutate可能因为残留分组产生奇怪结果。na.rm TRUE表示计算时跳过缺失值。下面是最常用的一组聚合函数聚合函数作用常用附加参数n()当前组行数无n_distinct(x)组内去重计数常用于统计客户数sum(x, na.rmTRUE)求和na.rm跳过缺失值mean(x, na.rmTRUE)均值同上median(x, na.rmTRUE)中位数同上除了纵向聚合宽表转长表也是高频操作。比如原始数据里2023和2024各占一列画图前通常要转成两列一个年份字段、一个值字段。# 把两个年份列合并成一列 sales_long - sales_2023_2024 %% pivot_longer(c(2023, 2024), names_to 年份, values_to 销售额)names_to会生成新列values_to定义原列数值落到哪个字段。这一步调整的是表格结构对后续 ggplot2 出图几乎必不可少。4. R语言的可视化与统计建模ggplot2出图和回归检验的参数解读清洗完只是数据分析项目的前半程。后半程先用 ggplot2 做探索性可视化再用统计模型验证结论。R 语言在这条路径上有天然优势ggplot2 的图层语法和lm的公式语法共用同一套整洁数据框不需要中间转换格式。4.1 用 ggplot2 的分层映射画趋势图aes、geom 与 ggsave 参数ggplot2 的核心是把“数据列”映射到“图形属性”映射写在aes()里图层的几何对象由geom_*决定。初学者最常见的报错是把列名写在aes()外面导致出现“找不到对象”。p - region_summary %% ggplot(aes(x 年月, y 总销售额, color 区域, group 区域)) geom_line(linewidth 0.8) geom_point(size 1.8) scale_y_continuous(labels scales::label_comma()) labs( title 区域月度销售走势, x 年月, y 销售额, caption 数据来自 sales_2024.csv ) theme_minimal(base_size 12) # 保存为高分辨率图片 ggsave(region_trend.png, p, width 10, height 6, dpi 300)group 区域在折线图中必不可少它告诉 ggplot2 哪些点属于同一条线否则所有区域会在同一个坐标下连成一条斜线。linewidth是较新版本 ggplot2 的线宽参数老教程里的size在geom_line中已经不再推荐混用两者会产生警告。labels scales::label_comma()把 Y 轴上的数字按千分位显示1200000会显示为1,200,000比科学计数法更容易读。theme_minimal(base_size 12)是学习资料里出镜率最高的主题它去掉默认灰色背景base_size控制全局字号。aes 参数映射含义常见用法x/y横轴与纵轴连续变量或分组字段color描边或线条颜色分组变量如区域fill填充色柱状图、箱线图size/linewidth点大小 / 线宽连续变量或固定数值alpha透明度0 到 1 之间的小数group分组连线折线图按组连接4.2 用 cor.test 和 lm 检验相关性与回归公式语法和模型输出解读可视化只能看趋势是否显著要靠统计检验。R 语言基础包里的cor.test和lm足以覆盖大部分数据分析案例的相关分析和回归需求。# 是否成交是逻辑型这里用销售额和销量做相关 cor_result - cor.test(sales_clean$销售额, sales_clean$销量) cor_result$estimate # 相关系数 cor_result$p.value # 显著性 p 值 # 线性回归销量和区域解释销售额 model - lm(销售额 ~ 销量 区域, data sales_clean) broom::tidy(model) # 把模型摘要整理成数据框cor.test默认计算 Pearson 相关系数estimate是相关系数p.value是显著性检验结果。lm的公式写法销售额 ~ 销量 区域把销售额作为因变量销量和区域作为解释变量区域是字符型R 会自动把它转成哑变量。broom::tidy(model)把模型摘要整理成标准数据框包含估计值、标准误、t 统计量和 p 值比直接看summary(model)更容易筛选显著变量和写报告。不同领域的数据分析项目只是替换了模型函数骨架是相同的。生物信息学里常见的 chipseq数据分析流程和 seurat空间转录组数据分析统计阶段用的是差异检验和线性模型时间序列分析里做 SARIMA模型r语言 时用forecast::auto.arima生态学里 α多样性r语言 用vegan混合效应模型走 glmm r语言 的lme4。这些包的数据输入依然是数据框公式语法也跟lm保持一致所以先把cor.test和lm吃透后面的学习成本会平缓很多。5. 用R语言把学习资料变成可复用数据分析案例的验证路径学习资料的最后一环不该是“照着敲能跑”而是让脚本在数据集更新后还能稳定输出。这里给一个日常项目里常用的骨架先做几个断言检查再输出描述统计最后把中间结果写成文件方便后续步骤复用。library(tidyverse) # 最小断言函数条件不满足就中断脚本 check_rule - function(expr, message) { if (!expr) stop(message) } check_rule(all(sales_clean$销售额 0), 销售额出现负值) check_rule(nrow(sales_clean) 0, 清洗后数据为空) check_rule(sum(is.na(sales_clean$年月)) 0, 年月不应有缺失) skimr::skim(sales_clean) # 缺失数量、分位数、唯一值一次看全 write_csv(region_summary, output/region_summary.csv) saveRDS(sales_clean, output/sales_clean.rds) # 下次直接读回原生对象check_rule是手写的最小断言函数条件不满足就中断脚本并给出明确报错信息。三个检查分别覆盖数值范围、数据量和关键字段缺失情况比肉眼盯head()更可靠。skimr::skim输出每列的缺失数量、唯一值数量、均值与分位数一次能看出数据是否还存在明显异常。saveRDS保存的是 R 原生对象下次启动用readRDS(output/sales_clean.rds)直接加载读写速度比 CSV 快一个量级并且数值类型不会在保存过程中被破坏。验证命令作用建议阶段str()查看每列类型和前几个取值读入 CSV 后立即执行summary()五数概括、缺失数量清洗完成后unique()枚举某列取值检查区域、商品编码head()/tail()查看首尾行排序后抽查排序结果把这个验证骨架放进项目根目录的00_check.R用Rscript 00_check.R --vanilla执行返回码非零时就说明数据出现不符合预期的地方。结合系统定时任务或 CI能在数据更新后自动重跑整套分析脚本。后续每次分析都从sales_clean.rds读入而不是重复读原始 CSV是长脚本里最省时间的习惯。本文还有配套的精品资源点击获取 R语言数据分析：从环境搭建到统计建模的完整实践指南
简介这是一份围绕R语言与数据分析的系统性学习资料包覆盖从环境安装、基础语法、数据结构到数据清洗、统计建模与可视化报告输出的完整路径适合刚入门的学生及希望强化实战技能的数据从业者参考。包内共88个文件以csv/xls原始数据、org/tex讲义、rmd可复现练习与docx文档为主体整体约696KB结构紧凑且贴近教学与自学习惯。资料包含多组真实案例数据如国内生产总值、历年经济数据、空气质量等并以Lecture系列讲义配合R-exercise中英文练习含解答与无解答版帮助读者边学边练同时引入bookdown/knitr相关配置与样式文件可直接体验用R Markdown生成规范报告。已有51人学习浏览对想低成本建立R语言数据分析能力的学习者来说是一份内容丰富、可落地的入门与进阶参考资料。1. R语言数据分析学习资料不等于函数速查表先理解向量化操作拿一份销售明细表练手时Excel 用户习惯先拖透视表Python 用户条件反射写 pandas而 R 语言的第一步往往是安装包、读 CSV、盯住 str() 的输出。真正让 R 语言区别于其他工具的不是某个具体函数而是向量化思考方式整列数据作为一个对象参与计算清洗结果直接对接统计建模函数中间不需要反复切换工具。这套 R语言数据分析学习资料的整理思路就围绕“向量化 整洁数据 可视化 统计验证”展开。它适合刚想从 Excel 迁移到脚本分析的从业者也适合已有 Python 基础但需要阅读 R 代码、复现现有数据分析流程的人。学完的标准不是记住函数名而是能独立搭环境、跑通清洗、画图和回归验证。2. 本地环境搭建R语言安装、包依赖与RStudio项目配置很多人从 R 语言官网下载安装包以后在交互界面里能跑通示例可一接触真实项目就败在包管理上。R 语言数据分析学习资料里环境搭建这一章经常被一带而过但它恰恰决定了后面所有代码能否在别处复现。常见做法是先装 R再装 RStudio然后用一个项目目录固定依赖版本避免换台机器就跑不起来。2.1 用 install.packages 安装依赖包R语言安装后的第一个动作R 语言默认从 CRAN 拉取包Windows 和 macOS 下多数包会优先使用编译好的二进制但遇到没有预编译的包时本地必须有完整编译工具链。建议安装后第一件事不是加载包而是确认版本和默认源。# 终端里先确认版本避免后续包版本不兼容 R --version # 查看当前会话默认的软件源地址 Rscript -e options()$reposR --version输出的是 R 的大版本号例如 4.4.x。很多旧教程引用的是 3.x 时代的包源码直接编译会报错所以确认版本是排查报错的第一步。Rscript -e能在不进入交互界面的情况下执行单行表达式适合写进批处理脚本。但options()$repos只对当前会话有效正确做法是写进项目的.Rprofile然后安装包。# 写在项目根目录 .Rprofile 中长期生效 options(repos c(CRAN https://cloud.r-project.org/)) install.packages(tidyverse, dependencies TRUE) install.packages(c(rmarkdown, renv), type binary)dependencies TRUE表示同时安装目标包的所有依赖type binary在 macOS 上有实际意义它可以跳过本地编译把安装时间从十几分钟压缩到一两分钟。renv是项目管理工具装好之后每新增一个包都建议用renv::snapshot()记录版本快照。报错特征常见原因处理建议“... non-zero exit status”缺少 gfortran 或系统编译工具macOS 安装 CommandLineTools 和 gfortran 后重装“package xxx is not available for this R version”源里没有匹配当前版本的二进制包换官方源或升级 R 到较新版本“there is no package called ‘yyy’”目标包的依赖没装全先执行install.packages(yyy)再装目标包提示不要把大量包直接装到系统全局库。用项目专属的.Renviron指定R_LIBS_USER.Library配合 renv能让同一台机器上不同项目互不污染。2.2 用 RStudio 的 Project 与 .Rprofile 固定数据分析项目边界RStudio 的 Project 不是简单的文件夹它会切换工作目录并加载项目根目录下的.Rprofile。把自己常用的选项写在这里比每次手工执行要可靠。# 项目根目录下的 .Rprofile options(repos c(CRAN https://cloud.r-project.org/)) options(max.print 100) if (interactive()) { suppressPackageStartupMessages(library(tidyverse)) }interactive()的作用是只在交互式会话里自动加载 tidyverse如果后续用Rscript批量跑脚本就不会背上整套包的加载时间。max.print限制控制台输出行数避免大数据框在终端里刷屏。macOS 下还需要注意.Renviron文件里的字符编码设置。中文数据在 macOS 上经常以 UTF-8 保存而部分旧数据是 GBK读取时应在read_csv的locale参数里指定编码而不是全局改成 GBK。这个细节在 macOS 下最容易踩坑也是最被低估的 R语言安装配置点。3. 用tidyverse动词和分组聚合完成R语言数据清洗进入真实数据分析案例后最耗时间的永远是清洗和整合。R 语言社区在这一点上达成了共识用dplyr的动词直接描述操作用tidyr整理表格结构而不是靠循环逐行改。理解这套逻辑之后再去看 R语言数据分析案例会发现代码几乎都长在同一套骨架里。3.1 用 read_csv 的 col_types 和 locale 把中文列名与日期一次读对直接把 Excel 导出的 CSV 丢进read_csv结果通常是“能读但全变字符型”事后用as.numeric批量转换既慢又容易漏。更稳妥的方式是在读入时就声明每一列的类型。library(tidyverse) sales - read_csv( sales_2024.csv, col_types cols( 区域 col_character(), # 中文区域名按文本读入 订单日期 col_date(format %Y-%m-%d), # 避免日期被读成字符串 销售额 col_double(), 销量 col_double(), 是否成交 col_logical() ), na c(, NA, NULL, -), # 这些值全部转成缺失 locale locale(encoding UTF-8) # 文件编码与原始数据保持一致 )col_types里的参数名必须和 CSV 表头完全一致。col_date(format %Y-%m-%d)告诉 readr 日期在文件里的原始格式如果文件里是 2024/1/5这里的 format 就要改成%Y/%m/%d。na参数指定哪些字符串应视为缺失值这一步会在读取阶段把脏值统一成NA后续统计才不会被“-”这类文本干扰。locale指定文件编码UTF-8 文件用encoding UTF-8GBK 文件改成GBK。readr 还支持用单字母缩写简化类型声明适合在学习资料里快速写原型。类型速写对应函数适用场景dcol_double()销售额、价格等连续数值icol_integer()订单数、件数ccol_character()中文区域名、商品编码lcol_logical()是否成交等布尔标志Dcol_date()按 YYYY-MM-DD 存储的日期3.2 filter、mutate、select 的组合与 group_by、summarise 的分组口径读对类型之后清洗逻辑可以用动词串起来。R 语言学习资料里几乎都会出现的符号是管道%%它的含义是把左边的结果作为第一个参数传给右边的函数。sales_clean - sales %% filter(销售额 0, !is.na(区域)) %% mutate(年月 format(订单日期, %Y-%m)) %% select(区域, 年月, 销售额, 销量) region_summary - sales_clean %% group_by(区域, 年月) %% summarise( 总销售额 sum(销售额, na.rm TRUE), 订单数 n(), 客单价 总销售额 / 订单数, .groups drop )filter里多个条件用逗号分隔等价于“且”!is.na(区域)用来删掉缺失区域的行。mutate新增的年月是从订单日期里截取的字符串格式直接按 YYYY-MM 输出。select只保留后续分析需要的四列避免数据框里残留无用的原始字段。group_by(区域, 年月)定义分组口径后面所有聚合函数都会按这两个字段分组计算。summarise里新列名写在等号左边右边是聚合函数.groups drop很关键它让分组信息在汇总完成后自动清除否则后续mutate可能因为残留分组产生奇怪结果。na.rm TRUE表示计算时跳过缺失值。下面是最常用的一组聚合函数聚合函数作用常用附加参数n()当前组行数无n_distinct(x)组内去重计数常用于统计客户数sum(x, na.rmTRUE)求和na.rm跳过缺失值mean(x, na.rmTRUE)均值同上median(x, na.rmTRUE)中位数同上除了纵向聚合宽表转长表也是高频操作。比如原始数据里2023和2024各占一列画图前通常要转成两列一个年份字段、一个值字段。# 把两个年份列合并成一列 sales_long - sales_2023_2024 %% pivot_longer(c(2023, 2024), names_to 年份, values_to 销售额)names_to会生成新列values_to定义原列数值落到哪个字段。这一步调整的是表格结构对后续 ggplot2 出图几乎必不可少。4. R语言的可视化与统计建模ggplot2出图和回归检验的参数解读清洗完只是数据分析项目的前半程。后半程先用 ggplot2 做探索性可视化再用统计模型验证结论。R 语言在这条路径上有天然优势ggplot2 的图层语法和lm的公式语法共用同一套整洁数据框不需要中间转换格式。4.1 用 ggplot2 的分层映射画趋势图aes、geom 与 ggsave 参数ggplot2 的核心是把“数据列”映射到“图形属性”映射写在aes()里图层的几何对象由geom_*决定。初学者最常见的报错是把列名写在aes()外面导致出现“找不到对象”。p - region_summary %% ggplot(aes(x 年月, y 总销售额, color 区域, group 区域)) geom_line(linewidth 0.8) geom_point(size 1.8) scale_y_continuous(labels scales::label_comma()) labs( title 区域月度销售走势, x 年月, y 销售额, caption 数据来自 sales_2024.csv ) theme_minimal(base_size 12) # 保存为高分辨率图片 ggsave(region_trend.png, p, width 10, height 6, dpi 300)group 区域在折线图中必不可少它告诉 ggplot2 哪些点属于同一条线否则所有区域会在同一个坐标下连成一条斜线。linewidth是较新版本 ggplot2 的线宽参数老教程里的size在geom_line中已经不再推荐混用两者会产生警告。labels scales::label_comma()把 Y 轴上的数字按千分位显示1200000会显示为1,200,000比科学计数法更容易读。theme_minimal(base_size 12)是学习资料里出镜率最高的主题它去掉默认灰色背景base_size控制全局字号。aes 参数映射含义常见用法x/y横轴与纵轴连续变量或分组字段color描边或线条颜色分组变量如区域fill填充色柱状图、箱线图size/linewidth点大小 / 线宽连续变量或固定数值alpha透明度0 到 1 之间的小数group分组连线折线图按组连接4.2 用 cor.test 和 lm 检验相关性与回归公式语法和模型输出解读可视化只能看趋势是否显著要靠统计检验。R 语言基础包里的cor.test和lm足以覆盖大部分数据分析案例的相关分析和回归需求。# 是否成交是逻辑型这里用销售额和销量做相关 cor_result - cor.test(sales_clean$销售额, sales_clean$销量) cor_result$estimate # 相关系数 cor_result$p.value # 显著性 p 值 # 线性回归销量和区域解释销售额 model - lm(销售额 ~ 销量 区域, data sales_clean) broom::tidy(model) # 把模型摘要整理成数据框cor.test默认计算 Pearson 相关系数estimate是相关系数p.value是显著性检验结果。lm的公式写法销售额 ~ 销量 区域把销售额作为因变量销量和区域作为解释变量区域是字符型R 会自动把它转成哑变量。broom::tidy(model)把模型摘要整理成标准数据框包含估计值、标准误、t 统计量和 p 值比直接看summary(model)更容易筛选显著变量和写报告。不同领域的数据分析项目只是替换了模型函数骨架是相同的。生物信息学里常见的 chipseq数据分析流程和 seurat空间转录组数据分析统计阶段用的是差异检验和线性模型时间序列分析里做 SARIMA模型r语言 时用forecast::auto.arima生态学里 α多样性r语言 用vegan混合效应模型走 glmm r语言 的lme4。这些包的数据输入依然是数据框公式语法也跟lm保持一致所以先把cor.test和lm吃透后面的学习成本会平缓很多。5. 用R语言把学习资料变成可复用数据分析案例的验证路径学习资料的最后一环不该是“照着敲能跑”而是让脚本在数据集更新后还能稳定输出。这里给一个日常项目里常用的骨架先做几个断言检查再输出描述统计最后把中间结果写成文件方便后续步骤复用。library(tidyverse) # 最小断言函数条件不满足就中断脚本 check_rule - function(expr, message) { if (!expr) stop(message) } check_rule(all(sales_clean$销售额 0), 销售额出现负值) check_rule(nrow(sales_clean) 0, 清洗后数据为空) check_rule(sum(is.na(sales_clean$年月)) 0, 年月不应有缺失) skimr::skim(sales_clean) # 缺失数量、分位数、唯一值一次看全 write_csv(region_summary, output/region_summary.csv) saveRDS(sales_clean, output/sales_clean.rds) # 下次直接读回原生对象check_rule是手写的最小断言函数条件不满足就中断脚本并给出明确报错信息。三个检查分别覆盖数值范围、数据量和关键字段缺失情况比肉眼盯head()更可靠。skimr::skim输出每列的缺失数量、唯一值数量、均值与分位数一次能看出数据是否还存在明显异常。saveRDS保存的是 R 原生对象下次启动用readRDS(output/sales_clean.rds)直接加载读写速度比 CSV 快一个量级并且数值类型不会在保存过程中被破坏。验证命令作用建议阶段str()查看每列类型和前几个取值读入 CSV 后立即执行summary()五数概括、缺失数量清洗完成后unique()枚举某列取值检查区域、商品编码head()/tail()查看首尾行排序后抽查排序结果把这个验证骨架放进项目根目录的00_check.R用Rscript 00_check.R --vanilla执行返回码非零时就说明数据出现不符合预期的地方。结合系统定时任务或 CI能在数据更新后自动重跑整套分析脚本。后续每次分析都从sales_clean.rds读入而不是重复读原始 CSV是长脚本里最省时间的习惯。本文还有配套的精品资源点击获取